研究揭示扩散模型去噪学习隐藏结构的机制与样本复杂度

1. 13:00
   arXiv 机器学习

   去噪即 Stein：扩散模型中学习隐藏结构的矩访问与资源层级

   扩散模型在数据包含隐藏非高斯成分时，去噪损失中的相关性等价于 Stein 差异，可通过对噪声视角的条件平均实现精确矩查询。在协方差匹配机制下，若首个区分矩阶数为 $k^\ast$，两阶段学习器仅需 $O(d^{k^\ast/2}\log d)$ 个干净样本即可恢复隐藏方向并取得得分增益。在 $d=64$ 至 $192$ 的实验中，宽度为 8 的网络呈现出类似 $d^2$ 的训练集阈值。

Current heat 8·Comparable peak 10（Nov 4 14:00）·Comparable change, last 24 hours–

Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.